人工智能实验报告

1、人工智能第二次实验报告一.实验题目：遗传算法的设计与实现二.实验目的：通过人工智能课程的学习，熟悉遗传算法的简单应用。三.实验内容用遗传算法求解f （x） = x的最大值，xS0,31，x取整数。可以看出该函数比较简单，只要是为了体现遗传算法的思想，在问题选择上，选了一个比较容易实现的，把主要精力放在遗传算法的实现，以及核心思想体会上。四.实验过程：1.实现过程（1）编码使用二进制编码，随机产生一个初始种群。L表示编码长度，通常由对问题的求解精度决定，编码长度L越长，可期望的最优解的精度也就越高，过大的L会增大运算量。针对该问题进行了简化，因为题设中xG0,31,所以将二进制长度定为5就够用了

2、；（2）生成初始群体种群规模表示每一代种群中所含个体数目。随机产生N个初始串结构数据，每个串结构数据成为一个个体，N个个体组成一个初始群体，N表示种群规模的大小。当N取值较小时，可提高遗传算法的运算速度，但却降低种群的多样性，容易引起遗传算法早熟，出现假收敛；而N当取值较大时，又会使得遗传算法效率降低。一般建议的取值范围是20100。（3）适应度检测根据实际标准计算个体的适应度，评判个体的优劣，即该个体所代表的可行解的优劣。本例中适应度即为所求的目标函数；（4）选择从当前群体中选择优良（适应度高的）个体，使它们有机会被选中进入下一次迭代过程，舍弃适应度低的个体。本例中采用轮盘赌的选择方法，即个

3、体被选择的几率与其适应度值大小成正比；5）交叉遗传操作，根据设置的交叉概率对交配池中个体进行基因交叉操作，形成新一代的种群，新一代中间个体的信息来自父辈个体，体现了信息交换的原则。交叉概率控制着交叉操作的频率，由于交叉操作是遗传算法中产生新个体的主要方法，所以交叉概率通常应取较大值；但若过大的话，又可能破坏群体的优良模式。一般取0.4到0.99。6）变异随机选择中间群体中的某个个体，以变异概率大小改变个体某位基因的值。变异为产生新个体提供了机会。变异概率也是影响新个体产生的一个因素，变异概率小，产生新个体少；变异概率太大，又会使遗传算法变成随机搜索。一般取变异概率为0.00010.1。（7）结

4、束条件900时，结束。从而观看遗传的效率问题。五 . 代码及结果：/* 遗传算法设计最大值 */#include <stdio.h>#include <string.h>#include <stdlib.h>#include <time.h># define C 0/# define CFLAG 4/# define JIAOCHA_RATE 0.5/# define BIANYI_RATE 0.09/# define ITER_NUM 1000/# define POP_NUM20/# define GENE_NUM5/# define FEX

5、P(x) (x)*(x) /y=xA2typedef unsigned int UINT;/ 染色体typedef struct测试测试标记交叉概率一般取 0.4 到 0.99变异概率为0.0001-0.1迭代次数染色体个数基因位数chargeneBitGENE_NUM;/基因位UINTfitValue;/适应值Chromosome;/将二进制的基因位转化为十进制UINTtoDec(Chromosomepop)UINTi;UINTradix=1;UINTresult=0;for(i=0;i<GENE_NUM;i+)result+=(pop.geneBiti-'0')*ra

6、dix;radix*=2;returnresult;UINTcalcFitValue(UINTx)returnFEXP(x);voidtest(Chromosome*pop)inti;intj;for(i=0;i<POP_NUM;i+)printf("%d:",i+1);for(j=0;j<GENE_NUM;j+)printf("%c",popi.geneBitj);printf("%4d",toDec(popi);printf("fixValue=%dn",calcFitValue(toDec(pop

7、i);/变异得到新个体:随机改变基因voidmutation(Chromosome*pop)UINTrandRow,randCol;UINTrandValue;randValue=rand()%100;if(randValue>=(int)(BIANYI_RATE*100)#if(C=1)&&(CFLAG=4)printf("n种群个体没有基因变异n");#endifreturn;randCol=rand()%GENE_NUM;/随机产生将要变异的基因位randRow=rand()%POP_NUM;/随机产生将要变异的染色体位# if(C=1)&

8、;&(CFLAG=4)printf("n变异前n");test(pop);printf("n变异的位置为:染色体号=%d基因位号=%dn",randRow+1,randCol);#endifpoprandRow.geneBitrandCol=(poprandRow.geneBitrandCol='0')'1':'0'/1变为0,0变为1poprandRow.fitValue=calcFitValue(toDec(poprandRow);# if(C=1)&&(CFLAG=4)prin

9、tf("n变异后n");test(pop);#endif/创建初始群体voidcreatePop(Chromosome*pop)UINTi,j;UINTrandValue;UINTvalue;srand(unsigned)time(NULL);for(i=0;i<POP_NUM;i+)for(j=0;j<GENE_NUM;j+)randValue=rand()%2;popi.geneBitj=randValue+'0'/将随机数0或1赋给基因value=toDec(popi);popi.fitValue=calcFitValue(value);#

10、 if(C=1)&&(CFLAG=1)printf("n随机分配的种群如下:n");test(pop);#endif/更新种群voidupdatePop(Chromosome*newPop,Chromosome*oldPop)UINTi;for(i=0;i<POP_NUM;i+)oldPopi=newPopi;/选择优良个体:根据适应度选择最优解，即最优个体voidselect(Chromosome*pop)UINTi,j;UINTsumFitValue;/总适应值UINTaFitValue;/平均适应值floatchoicePOP_NUM;/选择Ch

11、romosometempPop;/交换变量# if(C=1)&&(CFLAG=2)/测试printf("n没有选择前的种群如下:n");test(pop);#endif/根据个体适应度冒泡降序排序for(i=POP_NUM;i>0;i-)for(j=0;j<(i-1);j+)if(popj+1.fitValue>popj.fitValue)tempPop=popj+1;popj+1=popj;popj=tempPop;/计算总适应值sumFitValue=0;for(i=0;i<POP_NUM;i+)sumFitValue+=popi

12、.fitValue;aFitValue=(UINT)(float)sumFitValue/POP_NUM)+0.5);/计算平均适应值/计算出每个群体选择机会，群体的概率=群体适应值/总适应值，平均概率=平均适应值/总适应值，群体选择机会=(群体的概率/平均概率)for(i=0;i<POP_NUM;i+)choicei=(float)popi.fitValue/sumFitValue)/(float)aFitValue/sumFitValue);choicei=(float)(int)(choicei*100+0.5)/100.0);/保留到小数点后2位/根据选择概率来繁殖优良个体，并淘

13、汰较差个体for(i=0;i<POP_NUM;i+)if(int)(choicei+0.55)=0)/如果choicei=0淘汰繁殖一次最优的群体popPOP_NUM-1=pop0;# if(C=1)&&(CFLAG=2)printf("n经过选择以后的种群:n");test(pop);#endif/交叉:基因交换voidcross(Chromosome*pop)chartmpStrGENE_NUM=""UINTi;UINTrandPos;UINTrandValue;randValue=rand()%100;if(randValue

14、>=(int)(JIAOCHA_RATE*100)# if(C=1)&&(CFLAG=3)printf("n种群没有进行交叉.n");#endifreturn;#if(C=1)&&(CFLAG=3)printf("n交叉前,种群如下:n");test(pop);printf("n交叉的位置依次为:");#endif/染色体两两交叉for(i=0;i<POP_NUM;i+=2)randPos=(rand()%(GENE_NUM-1)+1);/产生随机交叉点，范围是1到GENE_NUM-1str

15、ncpy(tmpStr,popi.geneBit+randPos,GENE_NUM-randPos);strncpy(popi.geneBit+randPos,popi+1.geneBit+randPos,GENE_NUM-randPos);strncpy(popi+1.geneBit+randPos,tmpStr,GENE_NUM-randPos);#if(C=1)&&(CFLAG=3)printf("%d",randPos);#endif/对个体计算适应度for(i=0;i<POP_NUM;i+)popi.fitValue=calcFitValue

16、(toDec(popi);#if(C=1)&&(CFLAG=3)printf("n交叉后,种群如下:n");test(pop);#endif/输出结果voidresult(Chromosome*pop)UINTi;函数的最大值UINTx=0;UINTmaxValue=0;/for(i=0;i<POP_NUM;i+)if(popi.fitValue>maxValue)maxValue=popi.fitValue;x=toDec(popi);printf("n当x=%d时，函数得到最大值为：dnn",x,maxValue);迭代次数 初始种群或者当前总群 变异后种群intmain(intargc,char*argv)intcount;/ChromosomecurPopPOP_NUM;/ChromosomenextPopPOP_NUM;/createPop(curPop);for(count=1;count<(ITER_NUM+1);count+)updatePop(curPop,nextPop);/更新种群select(nextPop);/选